Graph R-CNN：基于语义装饰局部图的精确三维目标检测
计算机视觉与模式识别
2022-08-09 v1
摘要
两阶段检测器在三维目标检测中颇受欢迎。大多数两阶段三维检测器在第二阶段利用网格点、体素网格或采样的关键点进行 RoI 特征提取。然而，此类方法在处理分布不均且稀疏的室外点时效率低下。本文从三个方面解决该问题。1）动态点聚合。我们提出块搜索以快速搜索每个三维提议的局部区域中的点，然后应用动态最远体素采样来均匀采样点。特别地，体素大小随距离变化以适应点的不均匀分布。2）RoI-图池化。我们在采样点上构建局部图，以更好地建模上下文信息并通过迭代消息传递挖掘点关系。3）视觉特征增强。我们引入一种简单而有效的融合策略，用有限的语义线索补偿稀疏的 LiDAR 点。基于这些模块，我们构建了作为第二阶段的 Graph R-CNN，可应用于现有的一阶段检测器以持续提升检测性能。大量实验表明，在 KITTI 和 Waymo Open Dataset 上，Graph R-CNN 均以较大优势优于最先进的三维检测模型。并且我们在 KITTI BEV 汽车检测排行榜上排名第一。代码将发布于 \url{https://github.com/Nightmare-n/GraphRCNN}。
引用
@article{arxiv.2208.03624,
title = {Graph R-CNN: Towards Accurate 3D Object Detection with Semantic-Decorated Local Graph},
author = {Honghui Yang and Zili Liu and Xiaopei Wu and Wenxiao Wang and Wei Qian and Xiaofei He and Deng Cai},
journal= {arXiv preprint arXiv:2208.03624},
year = {2022}
}
备注
ECCV 2022, Oral